「何時間、減らせましたか」という問い

「何時間、減らせましたか」

生成AIを現場に導入したあと、その成果を報告する場で、まず口にされる問いは、たいてい決まっています。「どれくらい時間を減らせたか」。「何人分の仕事が浮いたか」。「コストはいくら下がったか」。この問いは、あまりに自然で、口にする側も答える側も、疑いを差し挟みません。効果とは、そういうものだと、私たちは思っています。

前回の記事で、私は「消えたのは仕事ではなく、その仕事への見立てのほうだった」と書きました。AIで置き換えられると判断した瞬間に、その仕事の本当の中身を、すでに読み違えていた——そういう話でした。そして最後に、ひとつの問いを残しました。私たちは、何をもって「うまくいった」と判断するのか、と。

今回は、その問いのなかへ、もう少し降りてみたいと思います。

「何時間、減らせましたか」。この問いは、間違ってはいません。けれど、これだけを問い続けている限り、たぶん、いちばん大事なものは見えてきません。なぜなら、私たちが自然に選んでしまう物差しは、いつも「測りやすいもの」に偏っているからです。時間、人数、金額。どれも数えられて、並べられて、決算の資料に載せられる。その扱いやすさゆえに、私たちはそれらを「効果」と呼んできました。

こう書いている私自身が、その物差しを使う側にいます。

私たちの会社では、企業向けに生成AIの活用セミナーを行っています。そして受講いただいた企業の経営層に、成果報告書を提出します。そこには、こう書きます。受講者一人あたりの業務削減時間は、月間の中央値で48時間45分でした、と。保守的な時間単価で換算すればいくらに相当し、投資の回収期間は何か月です、と。数字は、経営層にきちんと届きます。稟議の場でも通用します。実際、この報告のあとで次の展開が決まることもあります。測りやすい数字には、それだけの力があります。

けれど、同じ報告書のなかに、私はもうひとつの数字を書きました。活用の記録を最後まで続けられた受講者の削減時間は、中央値で60時間55分。途中で記録が途切れた受講者は、19時間57分。同じセミナーを、同じ時間だけ受けた人たちのあいだに、三倍を超える差がありました。

この差は、セミナーの時間数では説明できません。全員が同じ内容を、同じだけ受けています。違ったのは、受けたあとに、それを自分の仕事へ組み込めたかどうかでした。だとすれば、「何時間の研修に、いくら投じたか」という物差しでは、この投資の成否は測れないことになります。投じた量ではなく、そのあと現場で何が起きたか。本当に見るべきものは、そちらにありました。

自分たちの数字を疑うところから始めるのは、あまり気持ちのいい作業ではありません。それでも、この三倍の差を見てしまった以上、「一人あたり月に何時間減りました」という報告だけで済ませるわけにはいかない——そう思うようになりました。

扱いやすい物差しが、いちばん大切なものを測れる物差しだとは限りません。むしろ、扱いやすいからこそ取り逃がしてしまう価値がある——今回は、その「測りにくい価値」と、それをどう視界に入れ直すかを、考えていきます。答えを出す回ではありません。私たちが何を測り、何を測りそこねているのかを、いちど点検してみる回です。

なぜ、測りやすいものだけを測ってしまうのか

理由は、案外はっきりしています。測りやすいものは、説明しやすいからです。

「AIの導入で、月に400時間の作業が削減されました」。この一文は、そのまま資料に載ります。誰が読んでも同じ意味に受け取れて、前年と比べられて、他部署とも並べられる。稟議も通りますし、決算の場でも説明が済みます。数字は、組織のなかを移動していく力を持っています。部門を越え、階層を上がり、社外にまで届く。測りやすさとは、要するに"運びやすさ"のことなのだと思います。

一方で、こういう報告はどうでしょうか。「AIを使うようになってから、若手が自分で仮説を立てて相談に来るようになりました」。あるいは、「顧客からの難しい問い合わせに、担当者が以前より落ち着いて向き合えるようになりました」。どちらも、現場では確かに起きている変化です。おそらく、400時間の削減より本質的な変化かもしれません。けれど、この報告は資料に載りません。載せても、「それで、いくらの効果ですか」と問い返されて、答えに詰まる。数字にならない価値は、組織のなかを移動できないのです。

だから私たちは、無意識のうちに選別しています。報告できるものを、成果と呼ぶ。報告できないものは、成果として数えない。これは誰かが悪意でやっていることではなく、組織が組織であるかぎり、ほとんど自動的に起きてしまう選別です。

ここに、ひとつの倒錯が生まれます。本来、測るという行為は、何が大事かを見きわめるためにあるはずでした。ところが実際には、順序が逆転している。測れるものが先にあって、測れるからそれを大事だと見なす。測りやすいものを測るとき、私たちはしばしば、価値を測っているのではなく、説明できる状態に自分を置いて、安心しているのです。

この安心が曲者です。数字が出ていると、私たちは「ちゃんと評価している」と感じます。評価した気になった時点で、視線はそこで止まる。測れなかったものは、"測れなかった"と記録されるのではなく、最初から存在しなかったことになる。前回のフォードの品質も、IBMが守ろうとした6%も、削減額の資料の上には、そもそも欄がありませんでした。欄がないものは、失われても気づかれません。気づくのは、あとから請求書が届いたときです。

だとすれば、問い直すべきなのは、物差しの精度ではありません。私たちが、何を測る対象として選び、何を最初から選ばずにいるのか——その選び方のほうです。

測りやすいものほど、AIに置き換わっていく

ここで、ひとつの研究を紹介させてください。

スタンフォード大学のエリック・ブリニョルフソンらの研究チームが、2025年に発表した論文があります。米国最大級の給与処理データ——数百万人規模の実際の雇用記録——を用いて、生成AIの普及後、どの職種の、どの年齢層の雇用がどう動いたかを追跡したものです。「炭鉱のカナリア」という題が付けられています。

見えてきたのは、きれいな二極化でした。AIの影響を強く受ける職種において、22歳から25歳の若手の雇用は、そうでない職種と比べて13%ほど相対的に減っていました。一方、同じ職種でも、経験を積んだ層の雇用は、減っていない。むしろ安定しているか、伸びている。若手だけが、静かに採られなくなっていたのです。

けれど、この研究がほんとうに興味深いのは、その先です。研究チームは、AIが職種に対してどう働いているかを二つに分けました。ひとつは、人の作業を肩代わりする使われ方。もうひとつは、人の能力を補強する使われ方。そして雇用が減っていたのは、前者——AIが肩代わりする形で使われた職種に、はっきりと集中していました。AIを補強として使った職種では、若手もベテランも、雇用はむしろ増えていたのです。

なぜ、若手だったのか。研究チームの読み解きは、私たちの主題と正面から重なります。若手が組織に提供している価値の多くは、教科書やマニュアルから学べる、明文化された知識でした。手順として書き下せて、正解が定まっていて、だからこそ新人でも学べる。ところが、その「明文化できる」という性質は、そのままAIがもっとも得意とする性質でもありました。一方、ベテランが持っていたのは、言葉になりにくい経験の判断です。前回、フォードのベテランが持っていた"勘どころ"と、まったく同じものだと言っていいと思います。

ここで、私たちの話に接続します。

明文化できる知識は、測りやすい知識でもあります。手順の数を数えられる。処理件数を数えられる。だから評価しやすく、削減効果も計算しやすい。逆に、言葉になりにくい判断は、測りにくい。何件こなしたかでは表せず、その人がいなくなって初めて、なくなったことに気づく種類の価値です。

つまり、こういうことになります。測りやすい仕事ほど、AIに置き換わっていく。測りにくい仕事ほど、人間の側に残っていく。

これは、前半で見た構造と重ね合わせると、なかなか厳しい事実を突きつけます。私たちは、測りやすいものだけを成果として数える癖を持っていました。ところがその測りやすいものは、これからAIが引き受けていく領域です。測りやすさを物差しにしてAI投資を評価するということは、これから機械が担う部分だけを見つめて、人間の側に残る価値を、最初から視界の外に置くということにほかなりません。

削減できた時間や人数で成果を測るとき、私たちは「AIがうまく働いたか」を測っているつもりでいます。けれど実際に測っているのは、その仕事が、どれだけ機械向きだったかでしかない。人間の側に何が残り、それがどう育っているのか——その最も重要な部分については、物差しをまだ持っていないのです。

「金額に直してから測る」のを、いちどやめてみる

測りにくい価値を扱おうとするとき、私たちが最初にやりがちなことがあります。無理やり金額に換算することです。

若手が育っている、という変化を、「採用コスト換算で年間いくら」と言い換える。顧客の信頼が増した、という手応えを、「解約率が下がれば売上いくら」と置き換える。気持ちはよくわかります。そうしなければ、前回書いたとおり、その価値は組織のなかを移動できないからです。

けれど、この換算には副作用があります。金額に直した瞬間、それは「測りにくい価値」ではなく、「測りやすい価値の、少し頼りない推定値」になってしまう。しかも換算の根拠は薄いので、議論の場では真っ先に切り捨てられます。測りにくいものを測りやすいものに偽装しても、測れたことにはならない。 むしろ、偽装がバレた分だけ、その価値は「やはり曖昧なもの」として信用を落とします。

では、どうするか。順序を変えるのが有効だと、私は考えています。金額から入るのではなく、「何が起きたら、価値が生まれたと言えるのか」を先に、言葉で定義しておくのです。

フォードの例が、わかりやすい実例になります。

同社が品質検査にAIを入れたとき、成果を「検査工数が何時間減ったか」で測れば、導入は成功に見えたはずです。ところが自動車の品質には、古くから使われてきた別の物差しがありました。新車100台あたり、購入から90日以内に報告された不具合の件数という指標です。人数でも時間でもなく、市場に出たあとに顧客が経験した問題の数で品質を測る、という考え方です。

この物差しで見ると、景色は変わります。フォードは2023年時点で、主流ブランドのなかで15位でした。そこからベテランのエンジニアを現場に戻し、AIと人の配置をやり直していきます。そして2026年、同社は主流ブランドで首位に立ちました。2010年以来、16年ぶりのことです。数値は100台あたり152件で、前年から41件の改善——主流ブランドで最大の改善幅でした。保証にかかる費用も、前年より下がっています。

注目したいのは、この物差しがAI導入の効果を測るために作られたものではないという点です。ずっと以前から、自動車の品質を測るために存在していた。にもかかわらず、それがAI投資の成否をもっとも正直に映し出しました。測るべきものは、AIの側にあるのではなく、事業の側にあったのです。「AIが何時間分の仕事をしたか」ではなく、「この事業が本来大切にしてきた価値は、良くなったのか、悪くなったのか」。問いをそちらに置き直すだけで、見える成否は変わります。

このことを、別の角度から裏づけるデータもあります。米国MITの研究チームが2025年に発表した報告では、企業が取り組んだ生成AIの試験導入のうち、測定できる収益上の効果を生んだものは5%にとどまり、残る95%は成果を示せていないとされました。強烈な数字ですが、この報告で重要なのは結論のほうです。研究チームは、その原因をAIモデルの性能不足ではなく、組織側の"取り組み方"の問題だと指摘しています。業務の流れのどこに置き、何を成果と見なし、どう学習していくか——その設計が欠けたまま導入だけが進んだ、という診断でした。

測り方は、評価のための後工程ではありません。何を測ると決めるかは、その投資で何を目指すのかを決めることと、ほとんど同じです。だからこそ、測り方の設計を後回しにしたプロジェクトは、成果が出ないのではなく、成果が出たかどうかを誰も判断できない状態のまま、静かに止まっていきます。

いま、この「測りにくいものをどう扱うか」については、さまざまな模索が始まっています。AIが浮かせた時間が、その後どんな仕事に振り向けられたかを追跡しようとするもの。人がAIの答えを信頼して次の行動に移るまでにかかる時間を測ろうとするもの。ベテランの判断が、AIとの対話を通じてどれだけ言葉になり、組織の資産として共有されたかを見ようとするもの。どれも発展の途上にあり、これが正解だと言える段階ではありません。けれど、共通しているのは、削減額ではなく「その先で何が起きたか」を見ようとしていることです。

測りにくいものを、測りにくいまま、視界に入れておく

ここまで見てきたことを、いちど並べ直してみます。

私たちは、測りやすいものを選んで測ってきました。それが悪意からではなく、組織のなかを運べるものだけが成果として扱われる、という構造から来ていること。そして、その測りやすい領域こそ、これからAIが引き受けていく部分であること。測りやすさを物差しにするかぎり、私たちはAIが得意な場所ばかりを見つめ、人間の側に残るものを見落とし続けること。前回の「雇い戻し」は、その見落としが、あとから請求書となって届いた出来事でした。

では、測りにくい価値を、どうにかして測れるようにすべきなのでしょうか。私は、少し違うと思っています。測りにくいものは、無理に測りやすくしなくていい。 金額に換算した瞬間に、それは別のものに変わってしまう。大切なのは、測りにくいものを測りやすく加工することではなく、測りにくいまま、視界のなかに置き続けることです。

資料の欄には入らないかもしれない。数字では前年と比べられないかもしれない。それでも、「この投資で、若手は育っているか」「現場の判断の質は上がっているか」「一度手放したら、二度と戻らないものを、いま失っていないか」——そう問い続けること自体が、ひとつの評価行為なのだと思います。数字が出せないことと、見なくていいことは、まったく別のことです。

前半で、測りやすいものを測るとき、私たちは価値を測っているのではなく、説明できる状態に自分を置いて安心している、と書きました。逆に言えば、測りにくいものを視界に入れておくことは、安心できない状態に、自分を置き続けることでもあります。決算の場で明快に答えられない領域を、それでも重要だと言い張ること。それは、経営にとって決して快適な作業ではありません。けれど、AIとともに働く時代に問われている経営の仕事とは、たぶん、その居心地の悪さを引き受けることのほうなのだと、私は考えています。

そして、ここまで来ると、次の問いが自然に立ち上がってきます。

測りにくい価値が、人間の側に残っていくのだとして——その価値は、組織のどこに置かれるべきなのでしょうか。誰が担い、誰が引き受け、どんな順序で配置すればいいのか。物差しの話は、突き詰めれば、人をどこに置くかという設計の話に行き着きます。次回は、そこを考えてみたいと思います。